Laporan Praktikum 1 Jaringan Syaraf Tiruan

Transkripsi

1 TOPIK DALAM JARINGAN SYARAF TIRUAN Laporan Praktikum 1 Jaringan Syaraf Tiruan Muhammad Hafizhuddin Hilman F A K U L T A S I L M U K O M P U T E R UI

2 Pendahuluan Jaringan syarat tiruan atau artificial neural network adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. Jaringan syaraf tiruan merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut [Wikipedia]. Tujuan Tujuan dari praktikum jaringan syaraf tiruan ini adalah untuk mengetahui dan mempelajari inplementasi dari konsep jaringan syaraf tiruan yang diterapkan pada dua masalah dunia nyata yaitu klasifikasi iris dan prediksi nilai tukar mata uang dollar amerika terhadap rupiah. Permasalahan Ada dua permasalahan yang akan diselesaikan dalam praktikum ini. Permasalahan pertama adalah klasifikasi iris dan permasalahan yang kedua adalah prediksi nilai tukar mata uang dollar amerika terhadap rupiah. Kedua permasalahan ini akan diselesaikan dengan jaringan syaraf tiruan bertipe feed forward back propagation. Tools yang akan digunakan dalam praktikum ini adalah MATLAB dengan dua pendekatan, GUI dan non-gui. Permasalahan klasifikasi iris akan diselesaikan dengan pendekatan non-gui (source code akan dilampirkan) sementara permasalahan prediksi nilai tukar mata uang dollar amerika terhadap rupiah akan diselesaikan dengan pendekatan GUI. Software dan Hardware Berikut ini adalah tabel dari software dan hardware yang digunakan dalam praktikum jaringan syaraf tiruan Tabel 1. Spesifikasi Software dan Hardware yang digunakan Software Operating System: Microsoft Windows XP Professional Version 2002 Service Pack 3 Computational Tools: MATLAB Version R2009a 32-bit (win32) Hardware Processor: Intel Core Duo Processor T2300E (1.66 GHz, 667 MHz, 2 MB L2 Cache) RAM: 1526 MB

3 Permasalahan I: Klasifikasi Iris Iris adalah genus dari spesies bunga yang memiliki warna yang cukup menarik. Iris berasal dari bahasa yunani yang artinya adalah pelangi. Dataset iris merupakan data umum yang biasa digunakan dalam eksperimen klasifikasi. Dataset ini pertama kali dikenalkan oleh Sir Ronald Aylmer Fisher pada tahun 1936 sebagai contoh dari permasalahan analisis diskriminan [Wikipedia]. Dataset iris ini memiliki empat atribut yang menjadi feature dalam klasifikasi tiga kelas yang berbeda. Keempat feature tersebut adalah sepal length, sepal width, petal length, dan petal width. Sementara tiga kelas yang menjadi dasar klasifikasi adalah species yaitu setosa, versicolor, dan virginica. Desain Eksperimen Praktikum klasifikasi iris ini menggunakan feed forward back propagation yang berbasis non-gui. Data iris yang digunakan sudah tersedia pada MATLAB. Dataset iris yang ada diproses pada bagian spesies sehingga tiga jenis klasifikasi tersebut diubah menjadi bentuk numerik. Berikut ini adalah contoh tabel berisi dataset iris yang belum diproses dan yang sudah diproses Tabel 2. Dataset Iris (sebelum preprocessing) Sepal Length Sepal Width Petal Length Petal Width Species 5,1 3,5 1,4 0,2 setosa 4,9 3 1,4 0,2 setosa 4,7 3,2 1,3 0,2 setosa 4,6 3,1 1,5 0,2 setosa 5 3,6 1,4 0,2 setosa 7 3,2 4,7 1,4 versicolor 6,4 3,2 4,5 1,5 versicolor 6,9 3,1 4,9 1,5 versicolor 5,5 2,3 4 1,3 versicolor 6,5 2,8 4,6 1,5 versicolor 5,8 2,7 5,1 1,9 virginica 7,1 3 5,9 2,1 virginica 6,3 2,9 5,6 1,8 virginica 6,5 3 5,8 2,2 virginica 7,6 3 6,6 2,1 virginica

4 Tabel 2. Dataset Iris (setelah preprocessing) Sepal Length Sepal Width Petal Length Petal Width Species 5,1 3,5 1,4 0,2 1 4,9 3 1,4 0,2 1 4,7 3,2 1,3 0,2 1 4,6 3,1 1,5 0, ,6 1,4 0, ,2 4,7 1,4 2 6,4 3,2 4,5 1,5 2 6,9 3,1 4,9 1,5 2 5,5 2,3 4 1,3 2 6,5 2,8 4,6 1,5 2 5,8 2,7 5,1 1,9 3 7,1 3 5,9 2,1 3 6,3 2,9 5,6 1,8 3 6,5 3 5,8 2,2 3 7,6 3 6,6 2,1 3 Untuk praktikum ini digunakan beberapa parameter dan skenario. Berikut ini adalah beberapa parameter yang digunakan dalam praktikum Tabel 3. Parameter yang digunakan dalam praktikum Parameter Nilai/Tipe Epochs (max iteration) 1000 Learning rate / 10-5 Hidden layer 4 Momentum constant 0.95 Output function logsig dan purelin Training function trainlm Performance function mse dan sse Ada beberapa skenario yang digunakan dalam praktikum ini. Pada setiap skenario dilakukan lima kali percobaan. Berikut ini adalah skenario yang digunakan dalam pelatihan 1. TF trainlm menggunakan PF mse dan OF logsig (hasil pada tabel 4). 2. TF trainlm menggunakan PF sse dan OF logsig (hasil pada tabel 5). 3. TF trainlm menggunakan PF mse dan OF purelin (hasil pada tabel 6). 4. TF trainlm menggunakan PF sse dan OF purelin (hasil pada tabel 7).

5 Source Code data1=load('data_iris.txt'); data2=data1; datatrain=data1(:,1:size(data1,2)-1); datatest=data2(:,1:size(data1,2)-1); target = ind2vec(data1(:,size(data1,2))); target = full(target)'; targett = ind2vec(data2(:,size(data1,2))); targett = full(targett)'; hid=4; iter=1000; alva= ; %=====================train backpropagation=============% NewdataTarget=target'; [pn,meanp,stdp]=prestd(datatrain'); net=newff(minmax(pn),[hid 3],{'logsig' 'logsig'},'traingdx'); net.trainparam.epochs=iter; net.trainparam.min_grad=0; net.inputweights{1,1}.initfcn = 'initzero'; net.layerweights{2,1}.initfcn = 'initzero'; net.performfcn = 'sse'; net.trainparam.lr=alva; net.trainparam.mc=0.95; tic; net=train(net,pn,newdatatarget); training=sim(net,pn); [ind classobj]=max(training); [a tcls]=max(newdatatarget); toc; traintime=toc %=====================test backpropagation=============% testn=datatest'; ttest=targett'; [d N]=size(testn); datatesting=testn; tic; datatesting=trastd(datatesting,meanp,stdp); testing=sim(net,datatesting); [maxhasil classobj]=max(testing); toc; testime=toc

6 Hasil Eksperimen Berikut ini adalah tabel hasil praktikum yang telah dijalankan dengan skenario yang sudah disusun pada bagian sebelumnya Tabel 4. Hasil praktikum dengan skenario 1 Percobaan Epoch Time Setosa Versicolor Virginica miss Kinerja % % % % % Rata-rata % Tabel 5. Hasil praktikum dengan skenario 2 Percobaan Epoch Time Setosa Versicolor Virginica miss Kinerja % % % % % Rata-rata % Tabel 6. Hasil praktikum dengan skenario 3 Percobaan Epoch Time Setosa Versicolor Virginica miss Kinerja % % % % % Rata-rata % Tabel 7. Hasil praktikum dengan skenario 4 Percobaan Epoch Time Setosa Versicolor Virginica miss Kinerja % % % % % Rata-rata %

7 Permasalahan II: Prediksi Kurs USD Rp Salah satu implementasi dari jaringan syaraf tiruan adalah dalam permasalahan forecasting. Permasalahan forecasting yang akan dijadikan salah satu contoh pada praktikum ini adalah prediksi kurs mata uang dollar amerika terhadap rupiah. Pada praktikum ini akan digunakan data kurs mata uang dollar amerika terhadap rupiah pada bulan februari 2011 yang diambil dari kurs resmi Bank Indonesia yang akan digunakan untuk memprediksi kurs mata uang dollar amerika terhadap rupiah pada tanggal 1 maret Desain Eksperimen Praktikum forecasting kali ini masih menggunakan feed forward back propagation namun dengan pendekatan GUI. Data kurs mata uang ini diambil dari yang mengacu kepada kurs resmi yang dikeluarkan oleh Bank Indonesia. Berikut ini adalah tabel kurs mata uang dollar amerika terhadap rupiah Tabel 8. Tabel kurs dollar amerika terhadap rupiah Tanggal Nilai Jual Nilai Beli Nilai Tengah 1 Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Maret Untuk praktikum ini hanya digunakan data nilai tengah sebagai representasi dari kurs dollar amerika terhadap rupiah. Berikut ini adalah desain input dan target serta parameter yang digunakan dalam praktikum

8 Tabel 9. Desain input dan target praktikum Input Target Tanggal Nilai Tengah Tanggal Nilai Tengah 1 Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Februari Maret Untuk skenario percobaan akan digunakan skenario yang sama dengan permasalahan I 1. TF trainlm menggunakan PF mse dan OF logsig (hasil pada gambar 1). 2. TF trainlm menggunakan PF sse dan OF logsig (hasil pada gambar 2). 3. TF trainlm menggunakan PF mse dan OF purelin (hasil pada gambar 3). 4. TF trainlm menggunakan PF sse dan OF purelin (hasil pada gambar 4). Sementara berikut ini adalah parameter yang digunakan dalam praktikum

9 Hasil Eksperimen Skenario 1 (Training) Skenario 1 (Testing) Hasil prediksi kurs dollar 1 Maret 2011 = Error =

10 Skenario 2 (Training) Skenario 2 (Testing) Hasil prediksi kurs dollar 1 Maret 2011 = Error =

11 Skenario 3 (Training) Skenario 3 (Testing) Hasil prediksi kurs dollar 1 Maret 2011 = Error =

12 Skenario 4 (Training) Skenario 4 (Testing) Hasil prediksi kurs dollar 1 Maret 2011 = Error =

13 Untuk mempermudah perbandingan, berikut ini adalah tabel yang merangkum keempat skenario yang digunakan dalam prediksi kurs mata uang. Tabel 10. Tabel perbandingan keempat skenario Skenario Nilai Prediksi Error (abs) Analisis dan kesimpulan Ada beberapa cara untuk mengimplementasikan jaringan syaraf tiruan pada MATLAB, yaitu dengan pendekatan GUI maupun non-gui. Selain itu, implementasi jaringan syaraf tiruan pada sebuah permasalahan pun tidak melulu sama, pada permasalahan pertama, jaringan syaraf tiruan digunakan untuk klasifikasi sementar pada permasalahan kedua digunakan untuk forecasting. Pada permasalahan pertama, tampak bahwa skenario 1 dan 2 lebih unggul daripada skenario 3 dan 4. Dari hasil praktikum terlihat pula bahwa skenario 1 mendapat hasil yang superior dibanding skenario yang lain. Sementar itu pada permasalahan kedua, tanpak bahwa skenario 2 dan 4 lebih unggul daripada skenario 1 dan 3. Dari hasil praktikum terlihat pula bahwa skenario 4 mendapat hasil yang superior dibanding skenario yang lain.